技能介绍

追查 Token 账单背后的“隐形漏点”

在使用 AI Agent 时，账单往往只有一串冷冰冰的总价，很难看出钱究竟花在哪里。是上下文太长？还是模型选得太贵？或是缓存没生效？本技能旨在解决这一痛点，通过账单证据与本地环境元数据交叉比对，定位 Token 成本的具体漏洞，让每一分开销都有迹可循。

从只读审计到行为诊断

技能默认采用只读检查模式，绝不越权修改配置。其诊断流程分为三步：

建立证据池：解析用户提供的 CSV 账单或导出文件，同时扫描 Codex、Claude Code 等本地 Agent 的会话记录、配置项与日志痕迹，提取上下文窗口、压缩阈值、模型名称等聚合信号。
交叉诊断：结合 token_discipline 规则，识别如“上下文肥胖症”（旧消息被持续带入）或“高价模型常开症”（简单任务用 Opus）等典型行为模式。
分层输出：先给出易懂的“健康分”与核心漏钱点，随后附带严谨的工程审计证据（具体 Token 数、文件大小、命令痕迹），最后提供可落地的 AI 使用纪律。

安全边界与核算原则

隐私安全是底线。在扫描本地环境时，严格屏蔽 API Key、Cookie 及私密消息正文，对包含 secret、auth 等敏感词的配置项自动脱敏。此外，在核算价格时，拒绝硬编码或倒推单价，而是优先查询官方当前价格，并将 input、output、cache read 等不同计费维度严格分开核算，确保诊断结论的客观与准确。